Read, Extract, Classify: A Tool for Smarter Requirements Engineering
Dieser Beitrag stellt ReXCL vor, ein automatisiertes Werkzeug, das die Anforderungsanalyse verbessert, indem es Daten aus halbstrukturierten Dokumenten extrahiert und Anforderungen mithilfe von prädiktiver Modellierung und adaptiver Feinabstimmung klassifiziert, wodurch die Effizienz und Genauigkeit im Softwareentwicklungslebenszyklus erheblich gesteigert werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind Bibliothekar und versuchen, einen riesigen, chaotischen Stapel von Kundenbriefen zu ordnen. Manche sind auf edlem Briefpapier geschrieben, andere auf Servietten gekritzelt, und wieder andere sind einfach lange, unordentliche Absätze. Ihre Aufgabe besteht darin, jeden einzelnen zu lesen, herauszufinden, welcher Teil die „Betreffzeile" ist, welcher Teil der „Inhalt", und sie dann in vier spezifische Fächer zu sortieren: Info, Header, Funktionale Anforderung (was das Produkt muss) und Nicht-funktionale Anforderung (wie das Produkt performen soll).
Dies von Hand zu erledigen, ist langsam, langweilig und fehleranfällig. Hier kommt das ReXCL-Werkzeug ins Spiel. Denken Sie an ReXCL als einen superschlauen, automatisierten Roboter-Bibliothekar, der speziell für die Automobilindustrie entwickelt wurde.
So funktioniert es, aufgeteilt in zwei Hauptschritte:
Schritt 1: Der „Extraktions"-Roboter (Reinigen und Ordnen)
Zuerst nimmt der Roboter ein unordentliches Dokument (wie eine PDF- oder Word-Datei) und versucht, das Layout zu verstehen.
- Der Rauschfilter: Stellen Sie sich vor, das Dokument hat Seitenzahlen, Daten und „Seite 1 von 5", die überall oben und unten abgestempelt sind. Das sind Ablenkungen. Der Roboter nutzt ein einfaches, schnelles Gehirn (einen Random-Forest-Klassifikator), um diese sich wiederholenden Muster zu erkennen und sie zu entfernen, genau wie ein Sieb Sand von Gold trennt.
- Der Strukturbauer: Sobald das Rauschen weg ist, sucht der Roboter nach dem „Skelett" des Dokuments. Er findet die Abschnittsnummern (wie „1.1") und die Überschriften (wie „Hauptaufgabe"). Dann nimmt er den Text, der unter diesen Überschriften steht.
- Das Ergebnis: Er verwandelt das unordentliche Dokument in eine saubere, strukturierte Tabelle. Es ist, als würde man eine durcheinander geworfene Kiste mit LEGO-Steinen nehmen und sie zu einer klaren Bauanleitung zusammenfügen, bei der jedes Teil seinen eigenen beschrifteten Platz hat.
Schritt 2: Der „Klassifizierungs"-Roboter (Sortieren und Etikettieren)
Jetzt, wo der Text sauber und organisiert ist, übernimmt der zweite Roboter. Dieser ist viel schlauer und wurde speziell trainiert.
- Die Spezialisten-Ausbildung: Stellen Sie sich einen allgemeinen Sprachexperten (wie ein Standard-BERT-Modell) vor, der Englisch gut beherrscht, aber nicht viel über Autos weiß. Dieser Roboter nimmt diesen Experten und gibt ihm einen Crashkurs in „Automobil-Sprache", indem er Tausende von unbeschrifteten Automobilanforderungsdokumenten liest. Dies nennt man Adaptive Fine-Tuning. Es ist, als würde man einen allgemeinen Koch darin schulen, sich auf italienische Küche zu spezialisieren, indem man ihn Tausende italienische Rezepte probieren und studieren lässt, bevor er mit dem Kochen beginnt.
- Das Sortieren: Jetzt liest der Roboter jeden Textabschnitt und fragt: „Ist dies eine Tatsache? Ist dies eine Überschrift? Ist dies eine Regel darüber, was das Auto muss (Funktional), oder eine Regel darüber, wie schnell es fahren soll (Nicht-funktional)?"
- Das Ergebnis: Er klebt ein digitales Etikett auf jeden Satz. Die Arbeit behauptet, dieser Roboter sei unglaublich genau, besonders für schwierige Kategorien, die andere Werkzeuge übersehen.
Der Beweis: Hat es funktioniert?
Die Forscher testeten ihren Roboter gegen menschliche Experten.
- Für die Extraktion: Drei Experten prüften die Arbeit des Roboters an 445 Sätzen. Der Roboter erreichte eine Punktzahl von 4,45 von 5. Er war zudem zu 96 % genau beim Erkennen und Entfernen dieser lästigen Kopf- und Fußzeilen.
- Für die Klassifizierung: Als der Roboter versuchte, den Text zu sortieren, war dies eine massive Verbesserung gegenüber einem Standard-Modell ohne Training.
- Ein Standard-Modell hatte Mühe und erreichte bei schwierigen Kategorien Punktzahlen so niedrig wie 0,22 (von 1,0).
- Der ReXCL-Roboter erreichte nach seiner speziellen Ausbildung Punktzahlen zwischen 0,93 und 0,99. Er war fast perfekt darin, den Unterschied zwischen einer „Funktionalen Anforderung" und einer „Nicht-funktionalen Anforderung" zu erkennen.
Das große Ganze
Die Arbeit kommt zu dem Schluss, dass ReXCL ein Werkzeug ist, das die langweilige, fehleranfällige Arbeit automatisiert, unordentliche Kundendokumente in saubere, strukturierte Daten zu verwandeln.
- Was es tut: Es nimmt Rohdateien, reinigt sie, strukturiert sie und etikettiert sie.
- Was es (noch) nicht tut: Es verarbeitet derzeit Textdokumente. Die Autoren erwähnen, dass sie in der Zukunft lernen wollen, Bilder, Tabellen und Tabellenkalkulationen zu verstehen, aber im Moment bleibt es beim Text.
- Die Ausgabe: Sobald der Roboter fertig ist, können Sie die Ergebnisse als saubere Datei (wie Excel oder CSV) herunterladen und direkt in professionelle Engineering-Tools wie IBM DOORS einspeisen.
Kurz gesagt ist ReXCL ein digitaler Assistent, der einen chaotischen Stapel von Anforderungsdokumenten in einen perfekt organisierten, etikettierten Aktenschrank verwandelt und Ingenieure Stunden manueller Sortierarbeit erspart.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.